財聯(lián)社12月3日電,2日發(fā)表在《自然·光子學》雜志上的論文稱,美國麻省理工學院科學家開發(fā)出一種全集成光芯片。它能以光學方式執(zhí)行深度神經網絡所需的所有關鍵計算,為制造能實時學習的高速處理器打開了大門。這種新型光芯片能夠在不到半納秒的時間內,完成機器學習分類任務的關鍵計算,性能與傳統(tǒng)硬件相當。該芯片由相互連接的模塊組成,形成一個光學神經網絡,并采用商業(yè)代工工藝制造,這有助于技術的擴展和與電子產品集成。
關鍵字:
新型光芯片 深度神經網絡 關鍵計算
人的大腦能夠同時學習和記憶大量信息而又不需要太多能量的能力,很多研究機構都希望制造出類似于大腦甚至超越大腦的計算機。在人腦中,學習是由神經元之間的連接(突觸)的增強和減弱而發(fā)生的。深度神經網絡一直采用這種策略,實現模擬機器學習。美國麻省理工學院近日開發(fā)出一種由無機材料制成的電阻器,它將人工模擬突觸的運行速度大大提高,比以前的版本快100萬倍,也比人腦中的突觸快約100萬倍。這些可編程電阻器不僅提高了神經網絡訓練的速度,同時也降低了執(zhí)行訓練所需的成本和能量,這可以幫助科學家更快地開發(fā)深度學習模型。這一技術的
關鍵字:
美國 材料 深度神經網絡
編譯|蔣寶尚 關于AI是什么,學界和業(yè)界已經給出了非常多的定義,但是對于AI理解,探討尚不足。換句話說,計算機科學家解釋深度神經網絡(DNNs)的能力大大落后于我們利用其取得有用結果的能力?! ‘斍袄斫馍疃壬窠浘W絡的常見做法是在單個神經元特性上“折騰”。例如,激活識別貓圖像的神經元,而關閉其他神經元的“控制變量法”。這種方法的學術術語叫做“類選擇性”。 由于直觀和易理解,“類選擇性”在學界廣泛應用。誠然,在訓練過程中,這類可解釋的神經元確實會“選擇性地”出現在各種不同任務網絡中。例如,預測產品評論
關鍵字:
DNN 深度神經網絡 深度學習
來源:nature 編譯:張大筆茹、小七 假設一輛自動駕駛汽車看到停車標志時并沒有減速,而是加速駛入了繁忙的十字路口,從而導致了交通事故。事故報告顯示,停車標志的表面粘了四個小的矩形標志。這說明一些微小擾動就能愚弄車載人工智能(AI),使其將“停止”一詞誤讀為“限速45”?! ∧壳?,此類事件還未發(fā)生,但是人為擾動可能影響AI是非常現實的。研究人員已經展示了如何通過粘貼紙來欺騙AI系統(tǒng)誤讀停車標志,或者通過在眼鏡或帽子上粘貼印刷圖案來欺騙人臉識別系統(tǒng),又或者通過在音頻中插入白噪聲使語音識別系統(tǒng)產生錯
關鍵字:
DNN 深度神經網絡 深度學習
導讀深度神經網絡(DNN)通過端到端的深度學習策略在許多具有挑戰(zhàn)性的任務上達到了人類水平的性能。深度學習產生了具有多層抽象層次的數據表示;然而,它沒有明確地提供任何關于DNNs內部運作的解釋,換句話說它的內部運作是一個黑盒子。深度神經網絡的成功吸引了神經科學家,他們不僅將DNN應用到生物神經系統(tǒng)模型中,而且還采用了認知神經科學的概念和方法來理解DNN的內部表示。盡管可以使用諸如PyTorch和TensorFlow之類的通用深度學習框架來進行此類跨學科研究,但是使用這些框架通常需要高級編程專家和全面的數學知
關鍵字:
DNN 深度神經網絡 深度學習 腦機接口
先說DNN,從結構上來說他和傳統(tǒng)意義上的NN(神經網絡)沒什么區(qū)別,但是神經網絡發(fā)展時遇到了一些瓶頸問題。一開始的神經元不能表示異或運算,科學家通過增加網絡層數,增加隱藏層可以表達。并發(fā)現神經網絡的層數直接決定了它對現實的表達能力。但是隨著層數的增加會出現局部函數越來越容易出現局部最優(yōu)解的現象,用數據訓練深層網絡有時候還不如淺層網絡,并會出現梯度消失的問題。我們經常使用sigmoid函數作為神經元的輸入輸出函數,在BP反向傳播梯度時,信號量為1的傳到下一層就變成0.25了,到最后面幾層基本無法達到調節(jié)參數
關鍵字:
DNN 深度神經網絡 深度學習 CNN RNN
深度神經網絡(Deep Neural Networks,以下簡稱DNN)是深度學習的基礎,而要理解DNN,首先我們要理解DNN模型,下面我們就對DNN的模型與前向傳播算法做一個總結?! ?.從感知機到神經網絡 在感知機原理小結中,我們介紹過感知機的模型,它是一個有若干輸入和一個輸出的模型,如下圖: 輸出和輸入之間學習到一個線性關系,得到中間輸出結果: z=∑i=1mwixi+bz=∑i=1mwixi+b 接著是一個神經元激活函數: sign(z)={?11z<0z≥0sign(z)={
關鍵字:
DNN 深度神經網絡 深度學習
為了讓AI加速器在最短延遲內達到最佳精準度,特別是在自動駕駛車中,TFLOP已經成為許多所謂大腦芯片的關鍵指針,然而,有專家認為這種野蠻處理方式并不可持續(xù)…… 為了讓人工智能(AI)加速器在最短延遲內達到最佳精準度,特別是在自動駕駛車(AV)中,TFLOP(兆次浮點運算)已經成為許多所謂大腦芯片的關鍵指針。這場競賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自動駕駛(FSD)計算機芯片,以及NXP-Kalray芯片。然而,有專家認為這種野蠻處理方式
關鍵字:
DNN 深度神經網絡 深度學習
深度神經網絡(Deep Neural Networks,簡稱DNN)是深度學習的基礎,想要學好深度學習,首先我們要理解DNN模型。DNN的基本結構神經網絡是基于感知機的擴展,而DNN可以理解為有很多隱藏層的神經網絡。多層神經網絡和深度神經網絡DNN其實也基本一樣,DNN也叫做多層感知機(MLP)。DNN按不同層的位置劃分,神經網絡層可以分為三類,輸入層,隱藏層和輸出層,如下圖示例,一般來說第一層是輸入層,最后一層是輸出層,而中間的層數都是隱藏層。網絡結構層與層之間是全連接的,也就是說,第i層的任意一個神經
關鍵字:
DNN 深度神經網絡 深度學習
據外媒報道,特斯拉收購計算機視覺初創(chuàng)公司DeepScale的交易開始收獲回報,通過收購完整團隊開始為這家電動汽車制造商提供新的專利。
關鍵字:
特斯拉 “深度神經網絡” 自動駕駛
在12月初舉辦的NeurIPS會議上,IBM展示了一款新型人工智能芯片?! BM的研究人員聲稱,他們已開發(fā)出一個更加高效的模型用于處理神經網絡,該模型只需使用8位浮點精度進行訓練,推理(inferencing)時更是僅需4位浮點精度。該研究的成果已于2018年12月初在國際電子元件會議(International
Electron Devices Meeting,IEDM)和神經信息處理系統(tǒng)大會(Conference on NeuralInformation
Processing Syste
關鍵字:
IBM 深度神經網絡
深度神經網絡在很多任務上都已取得了媲美乃至超越人類的表現,但其泛化能力仍遠不及人類。德國蒂賓根大學等多所機構近期的一篇論文對人類和 DNN 的目標識別穩(wěn)健性進行了行為比較,并得到了一些有趣的見解。機器之心對該論文進行了編譯介紹?! ≌ ∥覀兺ㄟ^ 12 種不同類型的圖像劣化(image degradation)方法,比較了人類與當前的卷積式深度神經網絡(DNN)在目標識別上的穩(wěn)健性。首先,對比三種著名的 DNN(ResNet-152、VGG-19、GoogLeNet),我們發(fā)現不管對圖像進行怎樣的操
關鍵字:
DNN 深度神經網絡
隨著深度神經網絡在大規(guī)模語音識別任務上獲得顯著效果提升,大數據的不斷完善和漣漪效應的提出,在近十年,中國的人工智能也得到了快速發(fā)展。作為國內智能語音與人工智能產業(yè)領導者的科大訊飛率先將遞歸神經網絡和卷積神經網絡應用到真實在線系統(tǒng)中,并提出了全新的深度神經網絡結構FSMN——訊飛構型。
關鍵字:
深度神經網絡 遞歸神經網絡 卷積神經網絡 訊飛構型 201604
“深度神經網絡”介紹
您好,目前還沒有人創(chuàng)建詞條“深度神經網絡”!
歡迎您創(chuàng)建該詞條,闡述對“深度神經網絡”的理解,并與今后在此搜索“深度神經網絡”的朋友們分享。
創(chuàng)建詞條
關于我們 -
廣告服務 -
企業(yè)會員服務 -
網站地圖 -
聯(lián)系我們 -
征稿 -
友情鏈接 -
手機EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產品世界》雜志社 版權所有 北京東曉國際技術信息咨詢有限公司
京ICP備12027778號-2 北京市公安局備案:1101082052 京公網安備11010802012473